Posts by Erkut PTW

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Zusammen mit den immer leistungsstärker werdenden Rechenleistungen entstehen daraus neue Methoden zur Prozessüberwachung und -regelung. Bei komplexen Prozessen kommen dabei häufig KI Modelle zum Einsatz.



    In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) eine systematische Literaturrecherche zu bestehenden Continual Learning Methoden in der Produktion erarbeitet werden. Dabei sollen verschiedene Methoden und deren Anwendungen gegenübergestellt und bewertet werden. Darauf aufbauend sollen Handlungsempfehlungen für den Anwendungsfall Zerspanung abgeleitet werden. Im Falle eine Masterthesis können abschließend auf bestehenden Datensätzen verschiedene Continual Learning Ansätze erprobt und ausgewertet werden.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in Machine Learning, Continual Learning und Zerspanung

    Systematische und umfangreiche Literaturrecherche zum Stand der Technik zu Continual Learning Anwendungen in der Produktionstechnik

    Systematische Gegenüberstellung und Bewertung verschiedener Continual Learning Methoden

    Ableitung von Handlungsempfehlungen für die Anwendbarkeit im Bereich Zerspanung

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit


    Im Falle eine MT werden folgende Arbeitspakete mit einbezogen:


    Entwicklung eines Vorgehens zur Applikation von Continual Learning Modellen auf Zeitreihendaten in der Zerspanung

    Prototypische Implementierung am Beispiel einer Werkzeugmaschine

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Zusammen mit den immer leistungsstärker werdenden Rechenleistungen entstehen daraus neue Methoden zur Prozessüberwachung und -regelung. Bei komplexen Prozessen kommen dabei häufig KI Modelle zum Einsatz.


    Die Performance von KI Modellen hängt jedoch maßgeblich von der Datenqualität ab. Die Datenqualität beschreibt, wie gut sich ein Datensatz für den vorgesehenen Anwendungsfall, in diesem Fall KI Modelle, einsetzen lässt. Zur Beurteilung der Datenqualität können unterschiedlichste Metriken, wie beispielsweise die Datensensitivität, genutzt werden. Im Rahmen dieser Thesis sollen geeignete Metrik im Kontext Fräsen an einer CNC Werkzeugmaschine erstellen und mit geeigneten Methoden der Datenanalyse bewertet werden.


    Die Arbeitspakete der Arbeit gliedern sich wie folgt:

    Einarbeitung in die Zerspanung, Werkzeugmaschinen und Datenanalyse

    Systematische Literaturrecherche zum Stand der Technik

    Erstellen von Evaluationsmetriken zur Bestimmung der Datenqualität von Zeitreihendaten an einer Werkzeugmaschine

    Versuchsdurchführung und Bewertung der aufgezeichneten Daten anhand der definierten Metriken

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Aufgaben

    Unterstützung bei der Entwicklung einer autonomen CNC Werkzeugmaschine


    Voraussetzungen

    Interesse am Programmieren (C++, Python), Künstlicher Intelligenz und Werkzeugmaschinen

    Studiengang Maschinenbau, Mechatronik, Elektrotechnik, Informatik oder Computational Engineering

    Arbeitszeit von mindestens 20 Stunden im Monat Mindestens im 3. Bachelor Semester vom Studium

    Aufgaben

    • Einarbeitung in die 3D Geometrieverarbeitung und Materialabtragssimulation beim Fräsen

    • Stand der Technik zu Porzess und Materialabtragssimulation

    • Mathematische Optimierung und Implementierung einer voxelbasierten Materialabtragssimulation

    • Berechnung der Eingriffsgrößen zwischen Werkstück und Werkzeug (z.B.: Abtragsvolumen

    • Integration der Simulation in ein bestehendes Web Framework

    • Validierung des Simulation mit realen TCP Prozessdaten aus der Maschine

    • Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Ein Digitaler Zwilling beschreibt unter anderem eine digitale Repräsentation einer Produktinstanz, die aus einem Digitalen Master und einem Digitalen Schatten besteht. Der Digitale Master beinhaltet dabei die Produkt-geometrie sowie verhaltensbeschreibende Modelle dieses Produkts. Der Digitale Schatten wird als Abbild der Betriebs-, Zustands- oder Prozessdaten der realen Produktinstanz verstanden.



    Im Rahmen des Projekts AICoM (www.lernendewerkzeugmaschine.de) soll auf Basis eines vorhandenen CAD-Modells einer Werkzeugmaschine ein Digitaler Master implementiert und mit den Live-Daten aus der Maschine verknüpft werden. Die Live-Daten (Digitaler Schatten) beinhalten unter anderem Positionsdaten der Achsen, Werkzeuginformation und Zustandsdaten.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in das Themenfeld Digitaler Zwilling (mit Fokus auf Werkzeugmaschinen)

    Implementierung eines Digitalen Masters auf Basis eines vorhandenen CAD-Modells

    Schnittstellenentwicklung zu den Live-Daten der realen Maschine (Digitaler Schatten)

    Entwicklung eines Anzeigedashboards zur Visualisierung von Maschinen- und Prozessdaten

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Ein Digitaler Zwilling beschreibt unter anderem eine digitale Repräsentation einer Produktinstanz, die aus einem Digitalen Master und einem Digitalen Schatten besteht. Der Digitale Master beinhaltet dabei die Produkt-geometrie sowie verhaltensbeschreibende Modelle dieses Produkts. Der Digitale Schatten wird als Abbild der Betriebs-, Zustands- oder Prozessdaten der realen Produktinstanz verstanden.



    Im Rahmen des Projekts AICoM (www.lernendewerkzeugmaschine.de) soll auf Basis eines vorhandenen CAD-Modells einer Werkzeugmaschine ein Digitaler Master implementiert und mit den Live-Daten aus der Maschine verknüpft werden. Die Live-Daten (Digitaler Schatten) beinhalten unter anderem Positionsdaten der Achsen, Werkzeuginformation und Zustandsdaten.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in das Themenfeld Digitaler Zwilling (mit Fokus auf Werkzeugmaschinen)

    Implementierung eines Digitalen Masters auf Basis eines vorhandenen CAD-Modells

    Schnittstellenentwicklung zu den Live-Daten der realen Maschine (Digitaler Schatten)

    Entwicklung eines Anzeigedashboards zur Visualisierung von Maschinen- und Prozessdaten

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Zusammen mit den immer leistungsstärker werdenden Rechenleistungen entstehen daraus neue Methoden zur Prozessüberwachung und -regelung. Bei komplexen Prozessen kommen dabei häufig KI Modelle zum Einsatz.


    In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) eine systematische Literaturrecherche zu bestehenden Continual Learning Methoden in der Produktion erarbeitet werden. Darauf aufbauend soll ein Konzept für die Applikation eines Continual Learning Modells in eine bestehende CNC Werkzeugmaschine abgeleitet werden, die sowohl die Integration als auch die Automatisierung beschreibt. Das erarbeitete Konzept soll letztlich prototypisch Implementiert und validiert werden.


    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in Machine Learning, Continual Learning und Zerspanung

    Systematische Literaturrecherche zum Stand der Technik zu Continual Learning Anwendungen in der diskreten Produktion mit Fokus auf Zerspanung

    Entwicklung eines Vorgehens zur Applikation von Continual Learning Modellen auf Zeitreihendaten in der Zerspanung

    Prototypische Implementierung am Beispiel lernende Werkzeugmaschine

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Tasks

    Development of the autonomous CNC machine tool


    Beneficial Skills

    Good programming skills in at least one of the following languages: C, C++, Python

    Basic knowledge in machine learning

    Basic knowledge about machine tools

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten, woraus neue Methoden zur modellbasierten Prozessüberwachung und –regelung entstehen. Dabei besteht insbesondere bei der Kombination aus datengetriebenen und numerischen Modellen ein großes Potential zur ganzheitlichen Prozessmodellierung.



    In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) ein KI-basiertes Prozessmodell entwickelt und implementiert werden, welches die Prozessgrößen vorhersagt. Die Prozessdaten werden während der Zerspanung erfasst und liegen somit als Label-Daten vor. Dabei soll zunächst auf Basis einer open-source Bibliothek (libigl oder pymesh) eine Materialabtragssimulation implementiert werden, woraus die Inputdaten für das KI-Modell entsteht.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in Zerspanung, Materialabtragssimulation und Machine Learning

    Stand der Technik zu KI basierten Prozessmodellen beim Fräsen

    Implementierung einer Materialabtragssimulation

    Entwicklung eines KI-basierten Modells zur Vorhersage von Prozessgrößen

    Validierung des Modells mit experimentellen Versuchen an der realen Maschine

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Die Prozessdaten können weiterverarbeitet und für die Prozessüberwachung eingesetzt werden.



    Am PTW wurden bereits sowohl analytische als auch KI Modelle für die Prozessüberwachung implementiert. Diese sollen nun auch aktiv in die Maschinensteuerung eingreifen und den Zerspanungsprozess regeln können. Ziel dieser Arbeit ist der Aufbau eines Edge Computing Systems mit einer Beckhoff Hardware. Als Ergebnis der Arbeit soll ein Demonstrator entstehen, welcher eines der am PTW vorhandenen Prozessmodelle in das Edge Computing System integriert.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    -Einarbeiten in die Themenfelder Edge Computing und CNC-Steuerung

    -Durchführung einer Literaturrecherche zu Prozessüberwachung und –regelung mit Edge Computing System

    -Anbindung einer Beckhoff Hardware an eine bestehende Werkzeugmaschine zur Datenerfassung, -verarbeitung und –rückführung

    -Aufbau eines Demonstrators zur Echtzeitprozessüberwachung und -regelung

    -Durchführung von Versuchsreihen zur Validierung des Edge Computing Systems

    -Visuell ansprechende Präsentation der Ergebnisse der Arbeit

    In dieser Arbeit werden zunächst im Rahmen des KompAKI Projekts (https://kompaki.de/) die allgemeinen Anforderungen an eine HMI in der Produktion analysiert. Anschließend werden spezifische Anwendungsfälle identifiziert und die jeweiligen Stakeholder. Zum Abschluss der Thesis werden die Nutzerverhalten der unterschiedlichen Stakeholder untersucht.


    Die Arbeitsinhalte gliedern sich wie folgt:


    Analyse der Anforderungen an eine HMI in der Produktion

    Ermitteln von allgemeinen Anforderungen an eine HMI. Hierfür sollen unter anderem Marktanalysen bezüglich existierender KI-Anwendungen und Möglichkeiten der Anwendung von KI in der Fertigung. Daneben sollen Unternehmensbesuche und Befragungen durchgeführt werden.


    Analyse und Identifikation von Anwendungsfällen von KI in der Produktion

    Durchführen von Experteninterviews zum Nutzen der einzelnen Applikationen im zerspanenden Produktionsumfeld. Identifizieren von Anwendungsfällen. Mit Hilfe von Interviewtechniken und ggf. Design Thinking werden die Anwendungsfälle ermittelt.


    Identifizieren der Stakeholder und Analyse ihrer spezifischen Anforderungen

    Identifikation der Stakeholder einer KI-basierten HMI und Analyse ihrer spezifischen Anforderungen hinsichtlich Gestaltung der Oberfläche, Visualisierung von Daten und Maschinenzuständen und Arbeitsfähigkeit. Dafür wird eine Stakeholder-Modellierung durchgeführt, sowie eine Anforderungsanalyse. Zudem werden akzeptanzmindernde Faktoren ermittelt, die für die Stakeholder relevant sind.

    Beim Fräsen von schwer zerspanbaren Werkstoffen ist bekannt, dass Werkzeuge aus dem Spannfutter ausgezogen werden können. Zur Vermeidung des Phänomens existieren bislang nur aufwändige Maßnahmen, die entweder einen zusätzlichen Fertigungsprozess oder eine konstruktionstechnische Sonderlösung erfordern.



    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Die Prozessdaten können weiterverarbeitet und für die Prozessüberwachung eingesetzt werden. Am PTW wurden bereits sowohl White-Box als auch KI Methoden zur Erkennung von Werkzeugauszug erfolgreich implementiert. In diesem ADP soll ein Demonstrator aufgebaut werden, der die vorhandenen Modelle zusammenführt und die Vorhersage auf einem Dashboard visualisiert.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    -Einarbeiten in Zerspanung, Prozessüberwachungssysteme und Dashboard Gestaltung

    -Weitergestaltung der Prozessmodelle zu einem gemeinsamen Monitoring System

    -Entwicklung und Implementierung eines Dashboards in Matlab oder Python

    -Vorführung des Demonstrators bei realen Versuchen

    -Visuell ansprechende Präsentation der Ergebnisse der Arbeit

    In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) in Zusammenarbeit mit den Unternehmen Gühring KG und Lorenz Hoffmann GmbH ein Interface zur automatisierten Messung von Qualitätsdaten entwickelt werden. Das System soll zunächst die Qualitätsanforderungen aus einer technischen Zeichnung einlesen und in einer Datenbank ablegen. Danach erfolgt das automatisierte Dokumentieren der am realen Bauteil gemessenen Qualitätsdaten.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in Zerspanung und Qualitätsdaten von Fräsbauteilen und SQL Datenbanken

    Definition der Anforderungen, Randbedingungen und Systemgrenzen

    Entwicklung und Implementierung einer Methodik zum Einlesen der Qualitätsanforderungen aus einer technischen Zeichnung

    Entwicklung und Implementierung einer Methodik zum automatisierten Dokumentieren der gemessenen Qualitätsdaten am realen Bauteil

    Schriftliche Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Zusammen mit den immer leistungsstärker werdenden Rechenleistungen entstehen daraus neue Methoden zur Prozessüberwachung und -regelung. Bei komplexen Prozessen kommen dabei häufig KI Modelle zum Einsatz.


    In dieser Arbeit soll im Rahmen des Projekts AICoM (https://lernendewerkzeugmaschine.de) in Zusammenarbeit mit den Unternehmen ISG Steuerungstechnik und Datron ein Prozessmodell entwickelt und implementiert werden, welches in die Steuerung einer CNC Werkzeugmaschine integriert wird. Das Prozessmodell besteht aus einem virtuellen Kernel der Maschine, welcher die Bahnplanung vornimmt und einer darauffolgenden Abtragssimulation. Über die Abtragssimulation soll abschließend mittels eines Coninual Learning Ansatzes ein adaptives Modell entstehen.


    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in Machine Learning, Continual Learning und Zerspanung

    Stand der Technik zu Prozessmodellen beim Fräsen

    Integration eines Continual Learning Frameworks in die Steuerungsarchitektur einer CNC Werkzeugmaschine

    Implementierung eines Continual Learning Modells zur Vorhersage von Prozessgrößen (bspw. Motorströme) auf Basis eines bestehenden virtuellen CNC Kerns und einer Abtragssimulation

    Validierung des Modells mit experimentellen Versuchen an der realen Maschine

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    In diesem Arbeit werden zunächst die allgemeinen Anforderungen an eine HMI in der Produktion analysiert. Anschließend werden spezifische Anwendungsfälle identifiziert und die jeweiligen Stakeholder. Zum Abschluss der Thesis werden die Nutzerverhalten der unterschiedlichen Stakeholder untersucht.


    Die Arbeitsinhalte gliedern sich wie folgt:


    Analyse der Anforderungen an eine HMI in der Produktion

    Ermitteln von allgemeinen Anforderungen an eine HMI. Hierfür sollen unter anderem Marktanalysen bezüglich existierender KI-Anwendungen und Möglichkeiten der Anwendung von KI in der Fertigung. Daneben sollen Unternehmensbesuche und Befragungen durchgeführt werden.


    Analyse und Identifikation von Anwendungsfällen von KI in der Produktion

    Durchführen von Experteninterviews zum Nutzen der einzelnen Applikationen im zerspanenden Produktionsumfeld. Identifizieren von Anwendungsfällen. Mit Hilfe von Interviewtechniken und ggf. Design Thinking werden die Anwendungsfälle ermittelt.


    Identifizieren der Stakeholder und Analyse ihrer spezifischen Anforderungen

    Identifikation der Stakeholder einer KI-basierten HMI und Analyse ihrer spezifischen Anforderungen hinsichtlich Gestaltung der Oberfläche, Visualisierung von Daten und Maschinenzuständen und Arbeitsfähigkeit. Dafür wird eine Stakeholder-Modellierung durchgeführt, sowie eine Anforderungsanalyse. Zudem werden akzeptanzmindernde Faktoren ermittelt, die für die Stakeholder relevant sind.

    Ein Simulationsmodell abstrahiert das Verhalten eines realen Systems durch ein Modell und dient zur virtuellen Prozessanalyse und -prognose. Mechatronische Mehrkomponentensysteme stehen dabei aufgrund ihrer komplexen Struktur besonders im Fokus und werden daher oftmals mit Methoden der Systemmodellierung und –Simulation virtuell entwickelt, analysiert und betrieben.



    In dieser Arbeit soll ein bestehendes Simulationsmodell einer 5-Achs CNC Werkzeugmaschine erweitert und anhand experimenteller Versuche validiert werden. Außerdem soll ein Belastungsmodell für einzelne Komponenten wie Getriebe und Lager hinterlegt werden.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    Einarbeitung in ein bestehendes Matlab/Simulink Modell der Maschine

    Erweiterung des Modells durch Module wie z.B. ein Kraftmodell

    Implementierung eines Belastungsmodells für verschiedene Werkzeugmaschinenkomponenten

    Validierung des Simulationsmodells auf Basis experimenteller Versuche an der realen Maschine

    Dokumentation und visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Beim Fräsen von schwer zerspanbaren Werkstoffen ist bekannt, dass Werkzeuge aus dem Spannfutter ausgezogen werden können. Zur Vermeidung des Phänomens existieren bislang nur aufwändige Maßnahmen, die entweder einen zusätzlichen Fertigungsprozess oder eine konstruktionstechnische Sonderlösung erfordern.



    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Die Prozessdaten können weiterverarbeitet und für die Prozessüberwachung eingesetzt werden. Am PTW wurden bereits sowohl White-Box als auch KI Methoden zur Erkennung von Werkzeugauszug erfolgreich eingesetzt. Ziel dieser Arbeit ist die Aufarbeitung der Methoden und Überführung in ein echtzeitfähiges Modell zur Gestaltung eines Demonstrators.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:


    -Einarbeiten in die Themenfelder Zerspanung, Datenverarbeitung und Machine Learning

    -Durchführung einer Literaturrecherche zu Prozessüberwachung

    -Datenauswertung und Ableitung eines hybriden Modells zur echtzeitfähigen Erkennung von Werkzeugauszug

    -Erstellen eines Konzepts zur Auszugskompensation

    -Planung und Durchführung von Versuchsreihen sowie Validierung des echtzeitfähigen Modells

    Visuell ansprechende Präsentation der Ergebnisse der Arbeit

    Digitalisierte Werkzeugmaschinen ermöglichen mit ihrer eingebauten Sensorik das Erfassen von hochfrequenten Prozessdaten. Die Prozessdaten können weiterverarbeitet und mittels Methoden der künstlichen Intelligenz für die Prozessüberwachung eingesetzt werden. Die Datenverarbeitungskette ausgehend von Rohdaten bis hin zur Entscheidungsfindung auf Basis von geeigneten KI Modellen erfordert jedoch einen hohen Implementierungsaufwand und die Expertise eines Data Scientist.



    Im Rahmen dieser Arbeit soll das Automated Maschine Learning (AutoML) für Prozessdaten aus der zerspanenden Fertigung erprobt und evaluiert werden. Die Daten werden von bereits durchgeführten Gewindebohrversuchen zur Verfügung gestellt. Die Datenverarbeitungs-kette (data preprocessing, feature extraction, feature selection, classifier selection, hyperparameter optimization) soll dabei möglichst vollständig automatisiert werden.



    Die Arbeitspakete der Arbeit gliedern sich wie folgt:

    -Einarbeiten in Zerspanung und Künstliche Intelligenz mit Fokus auf AutoML Methoden

    -Recherche zum Stand der Technik/Forschung von angewandten AutoML Methoden in der diskreten Produktion mit Fokus auf Prozess- und Qualitätsüberwachung

    -Implementierung und Evaluierung von AutoML in Matlab mittels zur Verfügung gestellten Versuchsdaten mit applizierten Prozessunsicherheiten

    -Schriftliche Ausarbeitung der Ergebnisse in Form eines 10-20 seitigen Papers auf Englisch